利用深度学习与航空影像解决森林碳高估问题

森林碳抵消日益普及，并能在资助气候缓解、森林保护和重新造林方面发挥重要作用。然而，测量森林中储存了多少碳在很大程度上仍然依赖于昂贵、耗时且有时难以追责的实地测量。为了克服这些局限性，许多核查机构正在利用机器学习（ML）算法从卫星或航空影像中估算森林碳。航空影像允许对树种或科进行分类，从而改进了基于卫星影像的森林类型分类。然而，航空影像的采集成本要高得多，且尚不清楚更高的分辨率能在多大程度上改善森林碳估算。本提案论文描述了针对一个热带重新造林项目，首次通过基于深度学习的算法对来自航空影像、卫星影像和地面真实实地测量的森林碳估算进行系统比较。我们的初步结果表明，对于热带重新造林项目，基于卫星影像的森林碳估算可使地上生物量高估达 10 倍。航空与卫星衍生的森林碳测量之间的显著差异展示了基于航空影像的 ML 算法的潜力，并凸显了将本研究扩展为不同碳测量方案之间全球基准的重要性。